《變化檢測驅動的邊緣約束條件隨機場模型及其遷移學習》是依託華東師範大學，由曹桂濤擔任項目負責人的專項基金項目。
基本介紹
- 中文名：變化檢測驅動的邊緣約束條件隨機場模型及其遷移學習
- 項目類別：專項基金項目
- 項目負責人：曹桂濤
- 依託單位：華東師範大學
項目摘要,結題摘要,
項目摘要
隨著社會的發展，生態環境變化對人類的影響越來越受到關注,因而迫切需要研究檢測這些變化的快速有效的方法。條件隨機場模型（CRF）已經在基於多時相遙感數據的圖像標記和分割方面已經發揮了一定的作用，然而套用於生態環境變化檢測時，依然存在下列問題：由於CRF模型假設整個圖像是均勻的，分類結果存在邊緣模糊的問題；CRF要求訓練數據和測試數據具有相同分布，而多時-空-譜尺度的觀測數據受到大氣環境、植被隨季節變化等因素影響往往分布是不同的，此時CRF模型往往無能為力。 針對這些問題，本項目擬構造包含全局邊緣約束的CRF模型，突出類別邊緣；研究基於領域自適應的遷移學習方法，通過修改模型參數和模型融合，提高模型的泛化能力。最後以華東師範大學等區域不同時間的生態環境變化檢測為背景，進行算法驗證和最佳化。
結題摘要
圖像分割和目標識別是變化檢測的核心問題，然而在基於條件隨機場（CRF）的學習過程中，往往假設整個圖像是均勻的，使圖像分割結果存在邊緣模糊的問題；另外當訓練數據和測試數據具有不同分布時，有監督學習方法往往無能為力。針對這些問題，我們開展了相關研究，並取得了以下研究進展：（1）提出了基於邊緣約束條件隨機場模型的圖像分割算法。首先，構造CRF模型，標記基於圖像塊的建築物區域。然後，採用控制標記符的分水嶺變換方法，最佳化所標記區域的邊緣信息。另外，為了降低圖像中非目標元素和梯度不均勻的影響，在分水嶺變換之前，套用二重形態學灰度重構以達到增強圖像和降低噪聲的目的。（2）提出基於遷移學習的目標識別方法，解決測試樣本和訓練樣本的特徵分布不一致，或訓練樣本不足等問題。在對目標進行分割後，提取面積、紋理等特徵，作為後續分類識別的輸入樣本集合；在分類之前需要對訓練數據和測試數據進行重組，利用遷移學習方法改變數據集的分布特性，再對重構後的數據集進行分類器訓練。實驗證明，通過信息遷移，利用輔助數據增強分類器，可實現目標集更準確的分類。（3）提出了抗遮擋的基於CRF模型的多目標跟蹤與識別框架。首先，基於檢測視窗進行特徵選擇，並通過參數估計和模型推斷，對多目標跟蹤問題建立條件隨機場（CRF）模型。然後採用卡爾曼濾波器估計運動狀態，對遮擋處理提出了兩層相似度函式的判斷機制，在視頻中跟蹤並識別目標。
